Машинне навчання як новий інструмент бізнес-аналізу


Бізнес-аналіз еволюціонував від статичних звітів, які розповідають, що сталося, до інтерактивних інформаційних панелей, з допомогою яких ви можете заглибитися в дані і спробувати зрозуміти, чому це відбулося. Нові джерела великих даних, включаючи пристрої інтернету речей, підштовхують бізнес перейти від пасивної аналітики — коли ми дивимося на якийсь період минулого і шукаємо тенденції, або раз в день перевіряємо на наявність проблем — до активної аналітиці, здатної попередити про щось заздалегідь і дозволяє створювати інформаційні панелі з оновленням в реальному часі. Це допомагає краще використовувати операційні дані, які куди корисніше, якщо вони отримані «тільки що», поки ще не змінилися умови.

Багато компаній зацікавлені в подібній активної аналітиці, що дозволяє тримати руку на пульсі свого бізнесу. Але навіть інформаційні панелі показують тільки те, що вже відбулося.

З цієї причини найшвидше розвиваються різні напрями поглибленої аналітики, в тому числі пророчу. Згідно звіту Gartner, до 2018 році заради збереження своєї конкурентоспроможності більше половини великих організацій по всьому світу будуть використовувати методики поглибленої аналітики (і засновані на них алгоритми).

Поглиблена, прогностична аналітика — це обчислення тенденцій і майбутніх можливостей, прогнозування кінцевих результатів і вироблення рекомендацій. Вона виходить за рамки звичних запитів і звітів у знайомих інструментах начебто SQL Server Reporting Services Business Objects і Tableau. Тут використовуються складні статистичні розрахунки, описовий і предсказательная глибинний аналіз даних (data mining), машинне навчання, моделювання та оптимізації. І все це заради пошуку ознак ймовірних тенденцій і патернів у даних, як структуровані, так і неструктурованих.

Подібні інструменти сьогодні використовуються маркетологами й аналітиками для розуміння процесів відтоку клієнтів, купівельних життєвих циклів, можливостей щодо перехресного продажу, клієнтських переваг, оцінки позичальників та виявлення шахраїв. Наприклад, багато телекомунікаційні компанії сьогодні прагнуть перейти від пасивної до активної аналітиці, щоб на основі користувацьких профілів та історії дзвінків визначати, хто з абонентів хоче перейти до конкурентів. У подібних інструментах зацікавлені компанії майже з будь-якого сегменту ринку.

Крім передбачення поведінки клієнтів є і маса інших сфер застосування поглибленої аналітики. Наприклад, своєчасне проведення профілактичного обслуговування, що припускає пошук аномалій у продуктах і роботі сервісів. Але одним з найбільш цікавих напрямків є створення систем підтримки прийняття рішень, що відповідають на питання «що може статися?» і «що мені робити?».

Основна складність для бізнесу залишається все тією ж: як з накопичених даних витягти якісь глибинні причинно-наслідкові зв'язки або неочевидну інформацію, що дозволяють виконати якісь дії або просунути бізнес вперед.

Звичний спосіб перейти від даних до розв'язання — через створення статичного звіту. Наприклад, директор з продажу хоче знати, як у компанії йшла торгівля в останньому кварталі в різних регіонах. І щоб прийняти подальші рішення, потрібно виконати ряд процедур по складанню звіту. Але для прийняття рішень потрібно не просто знати, що сталося за останній квартал, але й чому воно так сталося. Припустимо, продажі впали. Тому що не вигоріли останні три угоди? Або тому що зменшився середній обсяг угоди? Що мені потрібно зробити з наявною статистикою, щоб у цьому розібратися?

Наприклад, в інформаційній панелі Cortana Analytics можна формувати різноманітні звіти, зменшує кількість ручних маніпуляцій з даними. Завдяки технологіями машинного навчання система може заздалегідь спрогнозувати спад продажів, наприклад, за місяць, а не повідомити про це вже по факту. Також тут широко використовується автоматизація вироблення рекомендацій і прийняття рішень.



Подібні системи поглибленої аналітики, які використовують технології машинного навчання для прогнозування і підтримки прийняття рішень, в ідеалі повинні заздалегідь інформувати вас не тільки про те, що може статися, але і що ви можете у зв'язку з цим зробити.

Наприклад, система виявила, що ваш прогноз продажів на наступний тиждень не буде виконаний. При цьому у вас в CRM заплановані дві маркетингові акції. У зв'язку з очікуваним спадом у вас є можливість запустити акції на тиждень раніше, щоб підтримати продажу. Ви активуєте акції в системі і запускаються автоматизовані бізнес-процеси, щоб всі необхідні заходи розпочалися на тиждень раніше.

Такі системи поглибленої аналітики можуть використовуватися для отримання відповідей на питання на кшталт хто з клієнтів з найбільшою ймовірністю піде від вас в наступному кварталі, а також можуть попереджати про те, що великий клієнт з імовірністю в 90% піде до конкурентів протягом наступних 30 днів.

Інтелектуальні поради
Сьогодні компанії накопичують все більше даних, на основі яких можна приймати бізнес-рішення. І наступним етапом розвитку систем, що приймають рішення на основі наявних даних, є автоматизовані системи підтримки прийняття рішення. Тобто — інтелектуальні електронні помічники, дають поради щодо підтримки і розвитку бізнесу. Але чи готові ми до цього?

Згідно недавнім дослідженням, проведеним серед 50 000 американських компаній-виробників з 2005 по 2010 роки кількість підприємств, на яких бізнес-рішення приймалися на основі даних, потроїлася. Правда, це всього лише 30% компаній. А коли в 2015 році телекомунікаційний провайдер Colt провів опитування серед європейських керівників IT-компаній, 71% сказали, що інтуїція й особистий досвід при прийнятті рішень працюють краще, ніж аналіз даних (хоча 76% повідомили, що їхня інтуїція не завжди співпадала з отриманими ними даними).

З іншого боку, дослідження компанії Avanade показало, що керівники компаній в цілому планують використовуватися цифрових помічників і автоматизовані інтелектуальні системи для вирішення виникаючих проблем, аналізу даних, співробітництва та прийняття рішень. І вони очікують, що це дозволить більш ніж на третину збільшити виручку. Більш того, 54% керівників заявили, що були б щасливі працювати з такими системами.

Компанії-першопрохідці, вже використовують машинне навчання для управління обслуговуванням клієнтів, фінансовими ресурсами, ризиками і відповідністю вимогам, як у продажах і маркетингу, так і в нових розвиваються сферах бізнесу, виявили «значительное навіть експоненціальне збільшення вигоди» з точки зору витрат, виручки і споживчих властивостей. Ці кампанії використовують так званий «перцептивний інтелект» (perceptual intelligence) — комбінацію розпізнавання мови і голосів, глибокої аналітики та підтримки прийняття бізнес-рішень.

Згідно з дослідженням, швидке відстежування поведінки покупців, збільшення їх задоволення за рахунок прискорення і підвищення точності обробки дзвінків, дозволяє знизити витрати на 70% і досягти 20-кратного збільшення виручки.

Сприяти впровадженню таких систем і залучення до їх спорудження самих бізнес-користувачів. Попит на фахівців у сфері аналізу даних перевищує пропозицію, а це означає, що компанії, які не мають власних серйозних розробок, будуть звертатися до сторонніх аналітичним сервісів. А досвідчені користувачі (яких в Gartner називають «цивільні фахівці з аналізу даних» (citizen data scientists)) будуть переймати ці інструменти і створювати власні системи глибокої аналітики.


Джерело: Хабрахабр

0 коментарів

Тільки зареєстровані та авторизовані користувачі можуть залишати коментарі.